پيش بيني عمر مفيد باقيمانده قطعات با استفاده از شبكه عصبي مصنوعي

پيش بيني دقيق عمر مفيد باقيمانده تجهيزات، براي تعمير و نگهداري مبتني بر وضعيت ضروري است، تا هزينه كلي تعمير و نگهداري كاهش يابد. در اين مقاله، براي درك بهتر از عمر مفيد باقيمانده، از روش شبكه عصبي مصنوعي استفاده گرديد، تا پيش بيني دقيق تري از عمر مفيد باقيمانده تجهيزات حاصل شود. مدل شبكه عصبي مصنوعي نيازمند معيارهاي متعدد از پايش وضعيت در بازرسي هاي حال و گذشته به عنوان ورودي و درصد طول عمر به عنوان خروجي است. همچنين از توابع توزيعي همچون ويكبي و وايبل مورد بررسي قرار مي گيرند، براي برازش كردن هر يك از سري معيارهاي پايش وضعيت براي تاريخچه شكست استفاده ميشوند و مقادير معيار برازش شده براي تشكيل مجموعه آموزشي شبكه عصبي مصنوعي استفاده مي شود، تا اثر عوامل نويز را كه به تخريب تجهيزات مرتبط هستند را كاهش دهد. همچنين يك مكانيزم اعتبار سنجي در فرآيند آموزش شبكه عصبي مصنوعي معرفي ميشود تا عملكرد پيش بيني مدل شبكه بهبود يابد. روش شبكه عصبي مصنوعي پيشنهادي با استفاده از داده هاي واقعي جمع آوري شده از پايش ارتعاش بيرينگ هاي به كار رفته در يك پمپ تأييد مي شود. در پايان نتايج خروجي شبكه را با يكديگر مقايسه و روش مناسب تر معرفي مي گردد.